Урок Klarna и 78 557 уволенных за квартал: почему пересборка команды с ИИ выгоднее сокращений
В первом квартале 2026 года технологические компании сократили 78 557 сотрудников (48% увольнений вызваны ИИ-автоматизацией), а в Санкт-Петербурге число IT-вакансий за год упало на 41% при росте индекса HH до 22,9 резюме на место. Одновременно спрос на специалистов с AI-навыками на Avito Работе вырос на 66%, а продуктивность AI-native инженеров превышает показатели классических коллег в 2–4 раза. Опыт переобучения команды в Alpina Digital позволил ускорить выпуск книг в 4,5 раза без единого сокращения штата.

Дискуссия о том, вытеснят ли нейросети программистов, в 2026 году окончательно переместилась из инженерных чатов в кабинеты финансовых директоров. По подсчётам Tom's Hardware и Nikkei Asia, только за первый квартал 2026 года глобальный техсектор уволил 78 557 человек, причём 48% сокращений прямо списали на замену людей алгоритмами. В апреле отчёт Challenger зафиксировал ещё 88 387 увольнений (26% по причине ИИ), а на LinkedIn в США число новых позиций Software Engineer за месяц просело на 15,6% (Software Developer — на 20%).
На российском рынке труда происходят зеркальные ножницы. В Санкт-Петербурге количество IT-вакансий за год сжалось на 41%, а конкуренция на HeadHunter в марте 2026 года пробила отметку 22,9 резюме на одно место — вдвое выше границы перегретого рынка работодателя. Но параллельно статистика Avito Работы показывает скачок вакансий с требованием владения ИИ-инструментами на 66% год к году.
Почему полярные кейсы Anthropic и Klarna приводят к одному управленческому выводу?
Если посмотреть на два самых громких корпоративных прецедента последних двух лет, становится видна граница применимости технологии.
На одном полюсе — Anthropic. Ещё весной 2025 года Дарио Амодей прогнозировал, что через год модели будут писать почти весь код, а в феврале 2026-го CPO компании Майк Кригер на Cisco AI Summit подтвердил: «Claude теперь пишет сам себя практически на 100%», отправляя пул-реквесты по 2 000–3 000 строк. Но мало кто обращает внимание на вторую часть уравнения: одновременно с этим Anthropic кратно расширил штат живых инженеров. Когда рутинное написание синтаксиса уходит машине, освобождается гигантский фронт работ по архитектуре, проверке гипотез и безопасности.
На другом полюсе — финтех-гигант Klarna. В 2024 году компания с гордостью отчиталась, что ИИ заменил 700 операторов и закрывает 75% обращений. Однако к началу 2026 года CEO Себастьян Семятковски публично признал перегиб и заново открыл найм людей. Бот отлично щёлкал типовые вопросы, но посыпался на эмоциональных конфликтах, нестандартных спорах и многоходовых претензиях. Потеря лояльности клиентов и разгребание ошибок обошлись дороже сэкономленного фонда оплаты труда.
Как устроена пересборка ролей (rebundling) и где проходят 4 физические стены моделей?
За иллюзией «завтра алгоритмы заменят всех» скрывается непонимание четырех фундаментальных ограничений нынешней архитектуры LLM: исчерпание качественных человеческих текстов (синтетика ведёт к вырождению), энергетический потолок дата-центров, отсутствие зрелых квантовых вычислений для моделирования сложных систем (горизонт 10–15 лет) и оторванность моделей от физических сенсоров реального мира.
Поэтому на практике выигрывает не слепое сокращение штата, а то, что аналитик Бен Томпсон называл термином rebundling — глубокая перекомпоновка функций внутри роли. По данным McKinsey (выборка из 600+ компаний), глубокая интеграция ИИ в разработку поднимает продуктивность на 16–30% и качество кода на 31–45%, а замеры GitHub показывают ускорение закрытия задач на 55%. Вместо четырёх узких специалистов старой формации задачу решает один инженер с оркестром агентов.
Что делать на практике при найме и переобучении существующей команды?
По нашему опыту в Alpina Digital и на проектах 40+ заказчиков, разница в выработке между AI-native специалистом и сотрудником, работающим по старинке, составляет от 2 до 4 раз при одинаковой зарплатной вилке. Отсюда три практических шага для руководителя:
- Менять фильтр на входе: на любом собеседовании (от бэкенд-разработчика до юриста и маркетолога) вместо теоретических вопросов давать 20-минутный практический спринт — собрать рабочий прототип или документ в связке с Claude, GPT или Gemini.
- Учить своих вместо увольнений: в 2024–2025 годах мы пропустили через внутренние интенсивы всю команду издательства. Результат — сжатие цикла выпуска книги в 4,5 раза при нуле сокращений: люди сохранили рабочие места, пересобрав свои функции. Именно эту методику переподготовки инженерных и продуктовых команд мы даём в Hamidun Academy и развиваем на еженедельных практикумах в Vibe Club.
- Считать экономику на рост объёма: прежде чем резать 700 ставок по рецепту ранней Klarna, посчитайте сценарий «сохранить команду + вооружить её ИИ», чтобы кратно увеличить пропускную способность бизнеса. Разработчиков заменит не нейросеть — их заменят инженеры, которые умеют управлять роем моделей.
- 12 нояб. 2026 г.Дженсен Хуанг ушёл с поста CEO Nvidia: компания потеряла $1,4 трлн за две недели
- 12 нояб. 2026 г.Claude in Chrome требует разрешать каждый клик на сайтах с категорией 3
- 12 нояб. 2026 г.AWS Quick получил шесть агентов для продактов: от жалоб клиентов до спеки
- 12 нояб. 2026 г.Anthropic с 12 ноября закрывает Claude для компаний России, даже с юрлицом за рубежом
Вопросы и ответы по материалу
Почему полярные кейсы Anthropic и Klarna приводят к одному управленческому выводу?
Если посмотреть на два самых громких корпоративных прецедента последних двух лет, становится видна граница применимости технологии. На одном полюсе — Anthropic. Ещё весной 2025 года Дарио Амодей прогнозировал, что через год модели будут писать почти весь код, а в феврале 2026-го CPO компании Майк Кригер на Cisco AI Summit подтвердил: «Claude теперь пишет сам себя практически на 100%», отправляя пул-реквесты по 2 000–3 000 строк.
Как устроена пересборка ролей (rebundling) и где проходят 4 физические стены моделей?
За иллюзией «завтра алгоритмы заменят всех» скрывается непонимание четырех фундаментальных ограничений нынешней архитектуры LLM: исчерпание качественных человеческих текстов (синтетика ведёт к вырождению), энергетический потолок дата-центров, отсутствие зрелых квантовых вычислений для моделирования сложных систем (горизонт 10–15 лет) и оторванность моделей от физических сенсоров реального мира.
Что делать на практике при найме и переобучении существующей команды?
По нашему опыту в Alpina Digital и на проектах 40+ заказчиков, разница в выработке между AI-native специалистом и сотрудником, работающим по старинке, составляет от 2 до 4 раз при одинаковой зарплатной вилке. Отсюда три практических шага для руководителя: Менять фильтр на входе: на любом собеседовании (от бэкенд-разработчика до юриста и маркетолога) вместо теоретических вопросов давать 20-минутный практический спринт — собрать рабочий прототип или документ в связке с Claude, GPT или Gemini.
От чтения про ИИ-агентов — к запуску своего агента за вечер
Пошаговая сборка автономных агентов и MCP-связок в Hamidun Academy (academy.hamidun.com) (72 часа бесплатно) или мгновенный запуск готовых мультишаговых агентов в облаке Nomad.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.